CN111914051B - 一种基于地理栅格与神经网络的航迹文字描述生成方法 - Google Patents
一种基于地理栅格与神经网络的航迹文字描述生成方法 Download PDFInfo
- Publication number
- CN111914051B CN111914051B CN202010766344.9A CN202010766344A CN111914051B CN 111914051 B CN111914051 B CN 111914051B CN 202010766344 A CN202010766344 A CN 202010766344A CN 111914051 B CN111914051 B CN 111914051B
- Authority
- CN
- China
- Prior art keywords
- grid
- flight path
- representing
- longitude
- latitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于地理栅格与神经网络的航迹文字描述生成方法，在训练阶段，首先将目标区域按经纬度划分为细密的栅格阵列，如经纬度各按36″划分为栅格单元，并将航空器或船舶的结构化航迹投影至这些栅格单元，并分别统计计算各个栅格单元中通过的时间、高度、航向值。将栅格阵列按时间、高度、航向值分层构成3个矩阵；随后按照地标与方位对航空器或船舶的结构化航迹进行文字描述标注；最后利用卷积神经网络的方式对航迹文字描述生成模型展开训练，生成文字描述分类模型。在使用阶段，将待分类航迹投影至之前设置好的栅格单元，构成3个矩阵；将3个矩阵作为输入传入文字描述分类模型，最后生成对航迹的文字描述。
Description
技术领域
本发明涉及一种基于地理栅格与神经网络的航迹文字描述生成方法。
背景技术
航迹数据广泛存在现实世界中，如体育比赛中足球运动员的奔跑轨迹，道路交通中的汽车驾驶线路，动物迁徙的线路等。通过分析航迹数据以及其关联的背景信息，研究者可以获得对运动员习惯跑动路线、汽车流量情况、动物迁徙过程中的停留区域等信息的认知。
在空管、船舶等领域，相关工作人员需要对目标航空器或船舶的航行轨迹进行监控、观察、统计，并事后形成文字总结报告，整个过程需要专业知识背景，但同时又涉及大量的统计、计算过程，较为繁琐，时间成本较大。在此过程中，需要结合航迹附近的地理信息，将目标一段时间内航迹的经纬度数据转化为文字的描述。据调研，目前此领域及业务尚无专门产品。
发明内容
发明目的：本发明的目的在于提供一种基于地理栅格划分与卷积神经网络的航迹文字描述生成方法，从而自动将航迹数据转化为总结性的简洁描述文字。本发明方法能够结合事先确定的区域内的地标，对该区域内的航空器或船舶的航迹进行文字描述的分类，形成自然语言的总结性文字描述。
技术方案：为实现上述发明目的，本发明采用的技术方案如下：
确定能够进行航迹分类的区域，航迹需要完全被包含在区域内才能进行分类，若有超出该区域的，则区域外的航迹无法参与分类计算，可能造成分类结果的错误。
本发明包括如下步骤：
步骤1，训练阶段：利用卷积神经网络模型，对航迹文字描述生成模型展开训练，生成文字描述分类模型；
步骤2：使用阶段：应用文字描述分类模型，对输入的待处理航迹进行计算处理，生成对航迹的文字描述。
步骤1包括以下步骤：
步骤1-1、事先设定需要描述航迹所在的目标区域，要求所述目标区域能够覆盖所有需要描述的航迹，设其范围为：lat∈[Latmin，Latmax]，lon∈[Lonmin，Lonmax]，其中，lat指纬度，Latmin指设定目标区域的纬度下限，Latmax指设定目标区域的纬度上限，lon指经度，Lonmin指设定目标区域的经度下限，Lonmax指设定目标区域的经度上限；
步骤1-2、将步骤1中设立的目标区域按经纬度划分为细密的栅格阵列：经纬度各按边长a＝36″(即0.01°)的间距划分为栅格单元Gmn，
其中m∈[0，M)，m指栅格单元经度方向下标，
M指该下标m计算出的最大值；n∈[0，N)，n指栅格单元纬度方向下标，
N指该下标n计算出的最大值；
并设北纬纬度为正，南纬纬度为负，东经经度为正，西经经度为负；
步骤1-3、将航空器或船舶的结构化航迹中的每两个连续离散点，设为第c个点Tkc和第c+1个点Tkc+1，将它们连成第c条线段，以Sgc表示，并将线段两个端点间按后一端点减去前一个端点对应的时间差Tc、距离Sc，以及两个端点间按线性计算得到的平均高度Ac、平均航向Dc，投影至这些栅格单元，其中，c∈[0，C)，C代表线段的总条数，并分别统计计算各个栅格单元中通过的时间GTmn、高度GAmn、航向值GDmn，其中m∈[0，M)，n∈[0，N)，最终组成时间栅格阵列GT、高度栅格阵列GA、航向栅格阵列GD；
步骤1-4、栅格阵列GT、GA、GD中各元素分别构成IT、IA、ID共3个矩阵，每个矩阵尺寸均为M×N，其中每个元素的值，分别等于对应坐标下栅格单元的值，即ITmn＝GTmn，IAmn＝GAmn，IDmn＝GDmn，其中ITmn表示矩阵IT第m行第n列的元素，IAmn表示矩阵IA第m行第n列的元素，IDmn表示矩阵ID第m行第n列的元素；
步骤1-5、人工在需要描述航迹所在的目标区域内选取地标，通过人工辨认的形式，依靠地标Mkl，其中l∈[1，L]，l∈N，l表示地标的下标，按照航迹特点，对航空器或船舶的结构化航迹Tk对应的3个矩阵IT、IA、ID进行标注，得到标注结果R；R的标注形式为“Mkl[方位]”，其中“[方位]”为“以东”、“以南”、“以西”、“以北”、“东南”、“东北”、“西南”、“西北”、“周边”9个值，故理论上将形成9L个标签；
步骤1-6、将标注好的矩阵加入数据集；
步骤1-7、判断是否所有的航迹已处理完毕，如果否，进入步骤1-8，如果是，进入步骤1-9；
步骤1-8、选择下一条尚未处理的航迹，回到步骤1-3；
步骤1-9、搜集所有已标注好的矩阵，形成数据集；
步骤1-10、构建卷积神经网络模型，输入为IT、IA、ID3个矩阵，输出为一组一维向量，长度为9L，利用步骤1-9形成的数据集，展开训练；
步骤1-11、形成训练好的文字描述分类模型。
步骤1-3中，采用如下公式计算各个栅格单元中通过的时间GTmn、高度GAmn、航向值GDmn：
其中，参数k∈Z，使GDmn∈[0°，360°)，Z表示整数，，Ti表示第i个航迹点与第i+1个航迹点之间的时间差，Si表示第i个航迹点与第i+1个航迹点之间的距离，Ai以及Di分别表示两个端点间按线性计算得到的平均高度、平均航向，Si.mn为指表示线段Sgi落在栅格单元Gmn中的长度，当线段Sgi与栅格单元Gmn的一条边完全重合时，设定线段落在其前进方向右侧的栅格单元内。
步骤2包括以下步骤：
步骤2-1、输入待分类的航空器或船舶的结构化航迹Tk′c；
步骤2-2、复用步骤1-1、1-2中划分好的栅格单元，将待分类的结构化航迹中的每两个连续离散点Tk′c、Tk′c+1连成线段，以Sg′c表示，并将线段两个端点间按后一端点减去前一个端点对应的时间差T′c、距离S′c，以及两个端点间按线性计算得到的平均高度A′c、平均航向D′c，其中，c∈[0，C)，投影至所述栅格单元，并分别统计计算各个栅格单元中通过的时间GT′mn、高度GA′mn、航向值GD′mn，其中m∈[0，M)，n∈[0，N)，最终组成时间栅格阵列GT’、高度栅格阵列GA’、航向栅格阵列GD’；
步骤2-3、栅格阵列GT’、GA’、GD’中各元素分别构成IT’、IA’、ID’共3个矩阵，每个矩阵尺寸均为M×N，其中每个元素的值，分别等于对应坐标下栅格单元的值，即IT′mn＝GT′mn，IA′mn＝GA′mn，ID′mn＝GD′mn；其中IT′mn表示矩阵IT’第m行第n列的元素，IA′mn表示矩阵IA’第m行第n列的元素，ID′mn表示矩阵ID’第m行第n列的元素；
步骤2-4、将步骤2-3中得到的IT′mn、IA′mn、ID′mn共3个矩阵输入文字描述分类模型进行分类，得到输出
步骤2-5、由用户通过观察原始航迹与地标的相对位置判断步骤2-4得到的分类结果
是否合理，如果是则结束，如果否则进入步骤2-6；
步骤2-6、由用户通过观察原始航迹与地标的相对位置，对步骤2-4得到的分类结果
进行修改，改为用户自己认为合适的结果
并将
作为航迹Tk′c得到的IT′mn、IA′mn、ID′mn3个矩阵的标注，并添加到数据集中。
步骤2-2中，采用如下公式计算各个栅格单元中通过的时间GT′mn、高度GA′mn、航向值GD′mn：
其中，T′i表示第i个航迹点与第i+1个航迹点之间的时间差、S′i表示第i个航迹点与第i+1个航迹点之间的距离，A′i以及D′i分别表示两个端点间按线性计算得到的平均高度、平均航向，参数k∈Z，使GD′mn∈[0°，360°)。
有益效果：与现有技术相比，本发明的显著优点为：(1)本方法建立了航迹的从经纬度地理域的描述到文字域描述的映射，为相关领域的自然语言生成奠定了基础；(2)本方法采用分类算法的形式，使得相似的航迹能得出相同的结果，分类结果有限，保证了航迹描述结果的标准性与收敛性；(3)考虑因素较为全面，航迹中相关的具体位置、速度、时间、高度、航向等信息都未遗漏。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明方法流程图；
图2是训练数据栅格单元中时间GTmn、高度GAmn、航向值GDmn计算示意图；
图3是使用数据栅格单元中时间GT′mn、高度GA′mn、航向值GD′mn计算示意图。
具体实施方式
结合附图1，介绍本发明的一种基于地理栅格划分与卷积神经网络的航迹文字描述生成方法，为降低介绍的复杂度便于理解，将航迹简化为仅有4个点，区域也相应减小，包括如下步骤：
(1)训练阶段
步骤1、设立需要描述航迹所在的目标区域，要求该目标区域能够覆盖所有需要描述的航迹。设其范围为：lat∈[10°，12°]，lon∈[100°，103°]；
步骤2、将步骤1中选定的区域按经纬度划分为细密的栅格阵列，经纬度各按边长0.5°的间距划分为栅格单元Gmn，其中m∈[0，4)，n∈[0，6)；
步骤3、设某条待处理的结构化航迹如表1所示，将其中的每两个连续离散点Tkc、Tkc+1连成线段，以Sgc表示，并将线段两个端点间按后一端点减前一个端点对应的时间差Tc、距离Sc，以及两个端点间按线性计算得到平均高度Ac、平均航向Dc(其中，c∈[0，4))，如表2所示，并将这些值投影至这些栅格单元，并分别统计计算各个栅格单元中通过的时间GTmn、高度GAmn、航向值GDmn，
表1
| 序号 | 经度(°) | 纬度(°) | 时刻 | 高度(m) | 速度(km/h) | 航向(°) |
| 0 | 100.8 | 11.6 | 09:00:00 | 5000 | 600 | 108.435 |
| 1 | 101.4 | 11.4 | 09:06:54 | 5500 | 625 | 198.435 |
| 2 | 101.3 | 11.1 | 09:10:08 | 4000 | 660 | 153.435 |
| 3 | 101.7 | 10.3 | 09:18:04 | 4500 | 800 | 178.351 |
表2
| 序号 | 时间差(s) | 距离(km) | 平均高度(m) | 平均航向(°) |
| 0 | 414 | 69.053 | 5250 | 153.435 |
| 1 | 191 | 35.074 | 4750 | 175.935 |
| 2 | 476 | 99.107 | 4250 | 165.893 |
其中m∈[0，4)，n∈[0，6)，结合图2，计算结果如下：
同理，G03～G05、G10、G11、G13～G15、G20、G21、G24、G25、G30～G32、G34、G35栅格单元中因无航迹通过，其对应的GT、GA、GD值均为0；
同理可以得到：GT33＝117.37、GA33＝4250、GD33＝165.893；
同理可以得到：GT22＝176.055、GA22＝4250、GD22＝165.893；GT23＝114.11、GA23＝4250、GD23＝165.893；
其中，A、B、C等为航迹点之间连线与栅格边框的交点，具体分布见图2；
综上，得到结果如表3、表4和表5所示；
表3
| 0 | 139.366 | 65.584 | 0 | 0 | 0 |
| 0 | 0 | 459.966 | 0 | 0 | 0 |
| 0 | 0 | 176.055 | 114.11 | 0 | 0 |
| 0 | 0 | 0 | 117.37 | 0 | 0 |
表4
| 0 | 5250 | 5250 | 0 | 0 | 0 |
| 0 | 0 | 4887.5 | 0 | 0 | 0 |
| 0 | 0 | 4250 | 4250 | 0 | 0 |
| 0 | 0 | 0 | 4250 | 0 | 0 |
表5
| 0 | 153.435 | 153.435 | 0 | 0 | 0 |
| 0 | 0 | 164.8862 | 0 | 0 | 0 |
| 0 | 0 | 165.893 | 165.893 | 0 | 0 |
| 0 | 0 | 0 | 165.893 | 0 | 0 |
步骤4、计算完毕后，栅格阵列GT、GA、GD中各元素自然构成IT、IA、ID共3个矩阵，每个矩阵尺寸均为4×6，其中每个元素的值，分别等于对应坐标下栅格单元的值，即：
步骤5、通过人工辨认的形式，依靠地标“火焰山”，按照航迹特点，对航空器的结构化航迹Tk对应的3个矩阵进行标注，由图2可见，航迹主要分布在“火焰山”的西侧，因此得到标注结果为“火焰山以西”；
步骤6、将标注好的矩阵加入数据集；
步骤7、判断是否所有的航迹已处理完毕，若未处理完毕，因此回到步骤3继续处理，直至将所有航迹均计算化为IT、IA、ID3个矩阵并进行标注；
步骤8、选择下一条尚未处理的航迹，回到步骤3；
步骤9、搜集所有已标注好的矩阵，形成数据集；
步骤10、构建卷积神经网络模型，输入为IT、IA、ID3个矩阵，输出为一组一维向量，长度为9，利用步骤9形成的数据集，展开训练；
步骤11、形成训练好的文字描述分类模型，具备可使用的条件。
(2)使用阶段
步骤1、输入待分类的航空器结构化航迹Tk′c，设其结构化航迹如表6所示；
表6
表7
步骤2、将待分类的结构化航迹中的每两个连续离散点Tk′c、Tk′c+1连成线段，以Sg′c表示，并将线段两个端点间按后一端点减前一个端点对应的时间差T′c、距离S′c，以及两个端点间按线性计算得到平均高度A′c、平均航向D′c(其中，c∈[0，4))，如表7所示，并将这些值投影至这些栅格单元，并分别统计计算各个栅格单元中通过的时间GT′mn、高度GA′mn、航向值GD′mn，其中m∈[0，4)，n∈[0，6)，结合图3，计算结果如下：
同理可以得到：GT′05＝148、GA′05＝4250、GD′05＝90；
同理可以得到：GT′04＝305、GA′04＝4500、GD′04＝90；
其中，A’、B’等为航迹点之间连线与栅格边框的交点，具体分布见图3；
综上，得到结果如表8-表10所示；
表8
| 0 | 0 | 163.5 | 320.5 | 305 | 148 |
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
表9
| 0 | 0 | 5250 | 5000 | 4500 | 4250 |
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
表10
| 0 | 0 | 90 | 90 | 90 | 90 |
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
步骤3、计算完毕后，栅格阵列GT’、GA’、GD’中各元素自然构成IT’、IA’、ID’共3个矩阵，每个矩阵尺寸均为4×6，其中每个元素的值，分别等于对应坐标下栅格单元的值，即：
其中每个元素的值，分别等于对应坐标下栅格单元的值，即：
步骤4、将步骤3中得到的IT′、IA′、ID′共3个矩阵输入文字描述分类模型进行分类，得到输出
设为“火焰山以北”；
步骤5、由用户通过观察原始航迹与地标的相对位置判断步骤4得到的分类结果
(“火焰山以北”)是否合理，结合图3，发现航迹在“火焰山”的西北部比重更高，故设用户改为了“火焰山西北”，进入步骤6；
步骤6、将用户修改结果
(“火焰山西北”)作为航迹Tk′c得到的IT′mn、IA′mn、ID′mn3个矩阵的标注，并添加到数据集中。
本发明提供了一种基于地理栅格与神经网络的航迹文字描述生成方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (2)
1.一种基于地理栅格与神经网络的航迹文字描述生成方法，其特征在于，包括如下步骤：
步骤1，训练阶段：利用卷积神经网络模型，对航迹文字描述生成模型展开训练，生成文字描述分类模型；
步骤2：使用阶段：应用文字描述分类模型，对输入的待处理航迹进行计算处理，生成对航迹的文字描述；
步骤1包括以下步骤：
步骤1-1、事先设定需要描述航迹所在的目标区域，要求所述目标区域能够覆盖所有需要描述的航迹，设其范围为：lat∈[Latmin，Latmax]，lon∈[Lonmin，Lonmax]，其中，lat指纬度，Latmin指设定目标区域的纬度下限，Latmax指设定目标区域的纬度上限，lon指经度，Lonmin指设定目标区域的经度下限，Lonmax指设定目标区域的经度上限；
步骤1-2、将步骤1-1中设立的目标区域按经纬度划分为细密的栅格阵列：经纬度各按边长a的间距划分为栅格单元Gmn，
其中m∈[0，M)，m指栅格单元经度方向下标，
M指该下标m计算出的最大值；n∈[0，N)，n指栅格单元纬度方向下标，
N指该下标n计算出的最大值；
并设北纬纬度为正，南纬纬度为负，东经经度为正，西经经度为负；
步骤1-3、将航空器或船舶的结构化航迹中的每两个连续离散点，设为第c个点Tkc和第c+1个点Tkc+1，将它们连成第c条线段，以Sgc表示，并将线段两个端点间按后一端点减去前一个端点对应的时间差Tc、距离Sc，以及两个端点间按线性计算得到的平均高度Ac、平均航向Dc，投影至这些栅格单元，其中，c∈[0，C)，C代表线段的总条数，并分别统计计算各个栅格单元中通过的时间GTmn、高度GAmn、航向值GDmn，其中m∈[0，M)，n∈[0，N)，最终组成时间栅格阵列GT、高度栅格阵列GA、航向栅格阵列GD；
步骤1-4、GT、GA、GD中各元素分别构成IT、IA、ID共3个矩阵，每个矩阵尺寸均为M×N，其中每个元素的值，分别等于对应坐标下栅格单元的值，即ITmn＝GTmn，IAmn＝GAmn，IDmn＝GDmn，其中ITmn表示矩阵IT第m行第n列的元素，IAmn表示矩阵IA第m行第n列的元素，IDmn表示矩阵ID第m行第n列的元素；
步骤1-5、在需要描述航迹所在的目标区域内选取地标，依靠地标Mkl，其中l∈[1，L]，l∈N，l表示地标的下标，按照航迹特点，对航空器或船舶的结构化航迹Tk对应的3个矩阵IT、IA、ID进行标注，得到标注结果R；
步骤1-6、将标注好的矩阵加入数据集；
步骤1-7、判断是否所有的航迹已处理完毕，如果否，进入步骤1-8，如果是，进入步骤1-9；
步骤1-8、选择下一条尚未处理的航迹，回到步骤1-3；
步骤1-9、搜集所有已标注好的矩阵，形成数据集；
步骤1-10、构建卷积神经网络模型，输入为IT、IA、ID3个矩阵，输出为一组一维向量，长度为9L，利用步骤1-9形成的数据集，展开训练；
步骤1-11、形成训练好的文字描述分类模型；
步骤1-3中，采用如下公式计算各个栅格单元中通过的时间GTmn、高度GAmn、航向值GDmn：
其中，参数Ti表示第i个航迹点与第i+1个航迹点之间的时间差，Si表示第i个航迹点与第i+1个航迹点之间的距离，Ai以及Di分别表示两个端点间按线性计算得到的平均高度、平均航向，Si.mn为指表示线段Sgi落在栅格单元Gmn中的长度，当线段Sgi与栅格单元Gmn的一条边完全重合时，设定线段落在其前进方向右侧的栅格单元内；
步骤2包括以下步骤：
步骤2-1、输入待分类的航空器或船舶的结构化航迹Tk′c；
步骤2-2、复用步骤1-1、1-2中划分好的栅格单元，将待分类的结构化航迹中的每两个连续离散点Tk′c、Tk′c+1连成线段，以Sg′c表示，并将线段两个端点间按后一端点减去前一个端点对应的时间差T′c、距离S′c，以及两个端点间按线性计算得到的平均高度A′c、平均航向D′c，其中，c∈[0，C)，投影至所述栅格单元，并分别统计计算各个栅格单元中通过的时间GT′mn、高度GA′mn、航向值GD′mn，其中m∈[0，M)，n∈[0，N)，最终组成时间栅格阵列GT’、高度栅格阵列GA’、航向栅格阵列GD’；
步骤2-3、栅格阵列GT’、GA’、GD’中各元素分别构成IT’、IA’、ID’共3个矩阵，每个矩阵尺寸均为M×N，其中每个元素的值，分别等于对应坐标下栅格单元的值，即IT′mn＝GT′mn，IA′mn＝GA′mn，ID′mn＝GD′mn；其中IT′mn表示矩阵IT’第m行第n列的元素，IA′mn表示矩阵IA’第m行第n列的元素，ID′mn表示矩阵ID’第m行第n列的元素；
步骤2-4、将步骤2-3中得到的IT′mn、IA′mn、ID′mn共3个矩阵输入文字描述分类模型进行分类，得到输出
步骤2-5、由用户通过观察原始航迹与地标的相对位置判断步骤2-4得到的分类结果
是否合理，如果是则结束，如果否则进入步骤2-6；
步骤2-6、由用户通过观察原始航迹与地标的相对位置，对步骤2-4得到的分类结果
进行修改，改为结果
并将
作为航迹Tk′c得到的IT′mn、IA′mn、ID′mn3个矩阵的标注，并添加到数据集中。
2.根据权利要求1所述的方法，其特征在于，步骤2-2中，采用如下公式计算各个栅格单元中通过的时间GT′mn、高度GA′mn、航向值GD′mn：
其中，T′i表示第i个航迹点与第i+1个航迹点之间的时间差、S′i表示第i个航迹点与第i+1个航迹点之间的距离，A′i以及D′i分别表示两个端点间按线性计算得到的平均高度、平均航向，参数k∈Z，使GD′mn∈[0°，360°)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010766344.9A CN111914051B (zh) | 2020-08-03 | 2020-08-03 | 一种基于地理栅格与神经网络的航迹文字描述生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010766344.9A CN111914051B (zh) | 2020-08-03 | 2020-08-03 | 一种基于地理栅格与神经网络的航迹文字描述生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111914051A CN111914051A (zh) | 2020-11-10 |
| CN111914051B true CN111914051B (zh) | 2022-10-04 |
Family
ID=73288023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010766344.9A Active CN111914051B (zh) | 2020-08-03 | 2020-08-03 | 一种基于地理栅格与神经网络的航迹文字描述生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914051B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537846B (zh) * | 2021-09-17 | 2021-12-31 | 国网江西省电力有限公司电力科学研究院 | 基于气象灾害的输配电线路杆塔的风险分析方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9213100B1 (en) * | 2013-05-20 | 2015-12-15 | The United States Of America As Represented By The Secretary Of The Navy | Bearing-only tracking for horizontal linear arrays with rapid, accurate initiation and a robust track accuracy threshold |
| CN106815443A (zh) * | 2017-01-23 | 2017-06-09 | 北京理工大学 | 面向变化环境的超低空飞行器三维多批多航迹规划方法 |
| WO2018161729A1 (zh) * | 2017-03-07 | 2018-09-13 | 华为技术有限公司 | 用户轨迹恢复方法及装置 |
| CN110525602A (zh) * | 2019-08-13 | 2019-12-03 | 浙江海洋大学 | 一种船舶航迹航速整体规划方法 |
-
2020
- 2020-08-03 CN CN202010766344.9A patent/CN111914051B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9213100B1 (en) * | 2013-05-20 | 2015-12-15 | The United States Of America As Represented By The Secretary Of The Navy | Bearing-only tracking for horizontal linear arrays with rapid, accurate initiation and a robust track accuracy threshold |
| CN106815443A (zh) * | 2017-01-23 | 2017-06-09 | 北京理工大学 | 面向变化环境的超低空飞行器三维多批多航迹规划方法 |
| WO2018161729A1 (zh) * | 2017-03-07 | 2018-09-13 | 华为技术有限公司 | 用户轨迹恢复方法及装置 |
| CN110525602A (zh) * | 2019-08-13 | 2019-12-03 | 浙江海洋大学 | 一种船舶航迹航速整体规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111914051A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Giffard-Roisin et al. | Tropical cyclone track forecasting using fused deep learning from aligned reanalysis data | |
| CN111145545A (zh) | 基于深度学习的道路交通行为无人机监测系统及方法 | |
| CN105046067B (zh) | 基于证据相似度的多传感器信息融合方法 | |
| CN108415032A (zh) | 一种基于深度学习与激光雷达的点云语义地图构建方法 | |
| CN105679102B (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
| CN107796414B (zh) | 一种基于街景图美学评分的最美路径导航方法和系统 | |
| CN107270922A (zh) | 一种基于poi索引的交通事故空间定位方法 | |
| CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
| CN111914051B (zh) | 一种基于地理栅格与神经网络的航迹文字描述生成方法 | |
| CN113920262B (zh) | 一种增强边缘取样与改进Unet模型的矿区FVC计算方法及系统 | |
| CN105868835A (zh) | 一种无人机在线预约服务平台的评价系统及方法 | |
| CN106940181A (zh) | 一种无人机影像像控分布网构建与航片可选范围匹配方法 | |
| CN104680167A (zh) | 基于深度学习的极光卵位置确定方法 | |
| CN105185103B (zh) | 一种路段行程时间的管理控制方法 | |
| CN106291462A (zh) | 一种精确定位飞机位置的方法 | |
| CN116223511A (zh) | 基于无人机自动巡检的分布式屋顶光伏组件缺陷诊断方法及装置 | |
| CN107067727A (zh) | 一种基于模糊knn特征匹配的道路交通服务水平评价方法 | |
| CN112380945A (zh) | 一种输电通道环境隐患的识别方法和系统 | |
| CN111950524A (zh) | 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统 | |
| CN114547973A (zh) | 基于航空器航迹途径序列处理的活动区域简述生成方法 | |
| CN106503363A (zh) | 一种含高浓度瓦斯井巷瞬态风流稳定性计算方法 | |
| CN115933744A (zh) | 一种架空输电线路无人机巡检结果评估的方法 | |
| CN110148218A (zh) | 一种大批量机载LiDAR点云数据整体优化的方法 | |
| Evans et al. | The Pre-Depression Investigation of Cloud-Systems in the Tropics (PREDICT) field campaign: Perspectives of early career scientists | |
| Stankūnas et al. | Formation of methodology to model regional airspace with reference to traffic flows |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 210000 No.1, Lingshan South Road, Qixia District, Nanjing City, Jiangsu Province Applicant after: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. Address before: 210007 No. 1 East Street, alfalfa garden, Jiangsu, Nanjing Applicant before: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |